立即扫码
享受一对一服务
为什么组织需要可靠的数据治理策略
发布时间：2019.01.17来源：数据治理浏览量：188次标签：数据治理
当我在1983年开始担任数据库管理员时，一切都与技术的集中化有关。数据安全地存储在企业大型机上，只有具备导航预处理数据库技能的程序员才能访问它。差不多四十年后，所有这些都与数据民主化和强大的数据治理战略的需求有关。
在当天，业务分析师必须与IT部门联手，因为他们不知道如何导航信息管理系统数据库，即使他们可以也不会被授予访问权限。IT部门打印出月度报告并分发它们，就像摩西从石头上下山一样。
在当天，业务分析师必须与IT部门联手，因为他们不知道如何导航信息管理系统数据库，即使他们可以也不会被授予访问权限。IT部门打印出月度报告并分发它们，就像摩西从石头上下山一样。
随着个人计算机的出现，权力的平衡从根本上发生了变化。突然之间，商人可以访问电子表格，并可以创建自己的计算和分析，即使数据仍然大部分无法触及。然后是客户端/服务器计算和急于分散数据，带来了新的可能性，但也因为不同部门使用不同版本的数据而产生混淆。分析师争论谁的版本是正确的。分析现在可以由业务分析师完成，但未就数据源的合法性达成一致，随之而来的是混乱。
数据治理的曙光
IT部门使用数据仓库进行响应，数据仓库会在断开连接的交易系统中收集数据，仅用于分析。出现了聪明的报告工具，可以更容易地操作，加入和汇总原始交易表，甚至可以将它们下载到电子表格中。当然，原始数据仍然存储在不同的应用程序和格式中，但只要付出足够的努力，就可以诱使数据仓库理解所有这些，提供客户，产品，资产和位置等维度。但是，要实际生成一致的客户和产品列表，必须解决底层系统的不一致问题。
IT部门使用数据仓库进行响应，数据仓库会在断开连接的交易系统中收集数据，仅用于分析。出现了聪明的报告工具，可以更容易地操作，加入和汇总原始交易表，甚至可以将它们下载到电子表格中。当然，原始数据仍然存储在不同的应用程序和格式中，但只要付出足够的努力，就可以诱使数据仓库理解所有这些，提供客户，产品，资产和位置等维度。但是，要实际生成一致的客户和产品列表，必须解决底层系统的不一致问题。
主数据管理（MDM）诞生了，与此同时，还需要数据治理策略。鼓励或哄骗业务用户决定哪些客户和产品的分类是“黄金记录”，要在整个企业中高举，哪些将被投入到部门特定的本地术语的荒野中。这是一个经常激烈的过程，不同的部门争论哪个是分类数据的最佳方式。一些公司文化比其他文化更适合这种方法。高度集中的公司习惯于从高度但分散的方式决定结构，并且努力保持在数据治理结构中。这些公司的分析师认为自己是自由战士，而中央办公室的分析人员则认为他们是数据恐怖分子。
很明显，至少在很多公司中，自由战士现在方兴未艾。这标志着数据准备工具的市场不断增长。这些产品能够访问来自各种来源的数据，包括传统数据库，应用程序包，Excel或企业防火墙外的应用程序。它们支持一些数据质量技术，例如分析，并使业务用户能够设置数据转换，并通过可重复的工作流程自动执行此类提取，数据清理和转换。这些工具拥有自己的分析工具，或者可以调用最新的可视化和数据挖掘产品，使分析师能够根据自己的内容处理数据。
如果企业数据仓库和MDM正在开展工作，那么这样的市场就不会存在。数据准备，质量检查和转换正是准备将数据输入数据仓库的准备。麻烦的是公司数据仓库已超出其自然限制。数据现在来自各种各样的来源 - 其中许多来自企业之外 - 并且在这样的数量中，传统的数据管理方法正在崩溃。
电子商务系统可以生成如此大小的网络流量日志，使得普通数据库不能处理该处理。车辆和机械上的传感器现在产生大量的流数据：波音787每次飞行产生几乎1TB的数据。在其他行业中也是如此，汽车，家庭智能电表甚至道路上的传感器都会产生大量数据进行分析。所有这些都是传统企业数据以及来自业务合作伙伴和数据经纪人的数据的补充。有了这么多数据，谁有时间参加会议讨论不同客户分类层次结构的优点？
掌握数据管理
公司需要以某种方式收回对这种快速流动的数据流的控制，如果他们要理解它的话。如果没有办法深入了解并深入了解数据湖泊，数据湖泊将成为数据沼泽。数据治理策略可能不是一个性感的主题，但它是需要发生的事情的核心。那些使用新工具构建自己的提取和转换的分析师需要帮助决定如何管理数据，因为如果你不能就底层数据是否值得信任达成一致，所有漂亮的图表和AI工具都没有任何意义。
公司需要以某种方式收回对这种快速流动的数据流的控制，如果他们要理解它的话。如果没有办法深入了解并深入了解数据湖泊，数据湖泊将成为数据沼泽。数据治理策略可能不是一个性感的主题，但它是需要发生的事情的核心。那些使用新工具构建自己的提取和转换的分析师需要帮助决定如何管理数据，因为如果你不能就底层数据是否值得信任达成一致，所有漂亮的图表和AI工具都没有任何意义。
在没有某种结构的情况下，我们将回到过去，分析师互相交换图表并争论谁的数据是正确的。将数据精灵放回瓶子中将是困难的并且需要纪律，但是在所有太多的组织中，事情现在感觉混乱而不是管理。它不是要从高层实施规则，而是要在整个组织层面嵌入分析和数据管理规程。否则，有价值的商业见解可能会被忽视，竞争优势也会丧失。
一个2018麦肯锡的报告忽视高绩效的公司也比两倍，可能有一个强大的数据治理策略和可能有一个清晰和易于理解的数据整体战略的两倍多。同一份报告认为，表现优异的人与包装之间的差距正在迅速扩大。如果您要利用分析并获得业务优势，时间至关重要。
（部分内容来源网络，如有侵权请联系删除）
立即免费申请产品试用
免费试用
相关文章推荐
-
![大数据治理 [Big Data Governance an Emerging Imperative]](/static/2021/images/common/loading.gif "大数据治理 [Big Data Governance an Emerging Imperative]")
大数据治理 [Big Data Governance an Emerging Imperative]
《大数据治理》是一个信息治理专家奉献的鸿篇巨制，作者以极其实用和通俗易懂的风格，倾心向读者解读大数据治理这一复杂主题。作为一家大公司的资……查看详情发布时间：2018.11.29来源：数据治理浏览量：231次
-
合规性连接：身份治理的作用
今年1月，法国数据监管机构对谷歌进行了近6,000万美元的罚款，这是欧洲机构发布的最大罚款，也是欧洲通用数据保护条例（GDPR）的第一例……查看详情发布时间：2019.03.06来源：亿信华辰浏览量：182次
-
金融行业数据治理的问题与对策
银行数据治理工作不是个别部门或少数人员能够妥善完成的，而是需要各部门之间、各层级之间的相互支持与协作，尤其需要加强科技部门与业务部门之间……查看详情发布时间：2019.10.16来源：知乎浏览量：201次
-
来自园艺的5个数据治理课程
所有这些数据增长和收购挑战都要求我们重新考虑我们的数据治理策略。我们根本没有确保正确管理和使用数据所需的可见性。我们的首要任务是消除风险……查看详情发布时间：2018.12.04来源：Debi Tadd浏览量：295次
-
2018 数据管理成熟度技术曲线：DataOps、dbPaaS、ML
数据运维（DataOps）、私有云数据库平台即服务（dbPaaS）和具有机器学习（ML）功能的数据管理在2018年Gartner数据管理……查看详情发布时间：2019.03.05来源：亿信华辰浏览量：192次
-
数据治理要处理好四个关系
随着我国大数据战略的不断推进，各类生产生活行为都以数据的形式全景留痕，构建了一个与现实空间平行的“数据空间”，数据治理呼之欲出。要切实发……查看详情发布时间：2020.04.02来源：知乎浏览量：209次
-
智与理的结合：当数据治理遇上人工智能
近日，中国移动研究院发布文章，解说了数据治理和人工智能两者之间各自发展历程，论证了两者在结构功能上的相互作用，阐明了两者共同发展的前……查看详情发布时间：2018.09.18来源：中国大数据产业观察网浏览量：463次
-
-
企业数据治理的九大要素
元数据管理致力于处理技术元数据、业务元数据、管理元数据，通过丰富的元数据分析和检核，帮助各行各业用户获得更多的数据洞察力，进而挖掘出隐藏……查看详情发布时间：2020.07.10来源：知乎浏览量：299次
-
在数据智能时代企业面对庞大的数据量如何高效进行数据治理？
在数据智能时代，对企业而言，“数据驱动业务”或者“数据即是业务”的理念逐渐成为业界的一种共识。然而，数据孤岛、数据标准不统一等问题在一定……查看详情发布时间：2020.06.23来源：知乎浏览量：136次
相关主题